Scikit Learn - 线性建模
本章将帮助您了解 Scikit-Learn 中的线性建模。首先，让我们了解一下 Sklearn 中的线性回归是什么。
下表列出了 Scikit-Learn 提供的各种线性模型 −
| Sr.No | Model &描述 |
|---|---|
| 1 |
它是研究因变量 (Y) 与给定一组自变量 (X) 之间关系的最佳统计模型之一。 |
| 2 |
尽管名为逻辑回归，但它是一种分类算法，而非回归算法。基于给定的一组独立变量，它用于估计离散值（0 或 1、是/否、真/假）。 |
| 3 |
岭回归或 Tikhonov 正则化是一种执行 L2 正则化的正则化技术。它通过添加相当于系数幅值平方的惩罚项（收缩量）来修改损失函数。 |
| 4 |
贝叶斯回归通过使用概率分布而不是点估计来构建线性回归，提供了一种自然机制，可以应对数据不足或数据分布不均的情况。 |
| 5 |
LASSO 是一种执行 L1 正则化的正则化技术。它通过添加相当于系数绝对值总和的惩罚项（收缩量）来修改损失函数。 |
| 6 |
它允许联合拟合多个回归问题，强制所有回归问题（也称为任务）的选定特征相同。 Sklearn 提供了一个名为 MultiTaskLasso 的线性模型，该模型使用混合 L1、L2 范数进行正则化训练，可以联合估计多元回归问题的稀疏系数。 |
| 7 |
Elastic-Net 是一种正则化回归方法，它线性结合了 Lasso 和 Ridge 回归方法中的惩罚项（即 L1 和 L2）。当存在多个相关特征时，它非常有用。 |
| 8 |
这是一个弹性网络模型，可以联合拟合多个回归问题，强制所有回归问题（也称为任务）的选定特征相同。 |
